تشخیص تروجان با استفاده از مدل های XGBoost و LightGBM

گسترش زیرساخت های دیجیتال و پیچیدگی روزافزون حملات سایبری، به ویژه تروجان های نهان، تشخیص زودهنگام آن ها را با استفاده از روش های سنتی مبتنی بر امضا دشوار کرده است. در این راستا، مدل های یادگیری ماشین مبتنی بر داده، به خصوص چارچوب های تقویت گرادیان، راهکارهای کارآمدی برای شناسایی الگوهای مخرب در ترافیک شبکه ارائه می دهند. با وجود استفاده گسترده از این مدل ها، رفتار مقایسه ای آن ها در مواجهه با ترافیک تروجان ها کمتر مورد بررسی دقیق قرار گرفته است. این مقاله به ارزیابی مقایسه ای متمرکز میان دو روش پیشرفته تقویت گرادیان شامل XGBoost و LightGBM برای تشخیص دوتایی تروجان می پردازد. به منظور تضمین مقایسه ای منصفانه، آزمایش ها بر روی یک مجموعه داده ترافیک شبکه مبتنی بر جریان و با استفاده از یک خط فرایند یکپارچه شامل پیش پردازش، انتخاب ویژگی ها و ارزیابی با معیارهای دسته بندی انجام گرفت. نتایج نشان می دهد که مدل XGBoost به دلیل ظرفیت بالاتر در مدل سازی ساختارهای غیرخطی و پیچیده داده ها، عملکرد تشخیص بسیار قوی تر، دقت بالاتر LightGBM ارائه می دهد. این پژوهش نشان می دهد که انتخاب مدل در سامانه های تشخیص نفوذ نباید صرفا به دلایل محاسباتی محدود شود، بلکه باید با تطابق دقیق ظرفیت مدل و ساختار آماری داده های بدافزاری صورت پذیرد.

کلیدواژه ها:

بدافزار تروجان ، امنیت سایبری ، یادگیری ماشین ، XGBoost ، LightGBM